[发明专利]一种仿冒网站监测识别方法及系统

权利要求书

1.一种仿冒网站监测识别方法，其特征在于，包括：

S1、分别对被仿冒网站和待检测网站进行页面解析，得到解析后的被仿冒网页和待检测网页；

S2、分别对解析后的所述被仿冒网页和所述待检测网页进行特征提取，得到所述被仿冒网页的网页特征和所述待检测网页的网页特征，其中，所述网页特征包括：网页URL、网页内容和网页截图；

S3、计算所述被仿冒网页的网页特征与所述待检测网页的网页特征的相似性，得到对应于所述网页特征中所有特征的所有计算结果；

S4、对所有所述计算结果进行集成汇总，得到集成汇总结果；

S5、将所述集成汇总结果与预设阈值进行比较，如果所述集成汇总结果大于所述预设阈值，则所述待检测网站为仿冒网站。

2.根据权利要求1所述的一种仿冒网站监测识别方法，其特征在于，步骤S3包括：

S31、计算所述被仿冒网页的网页URL与所述待检测网页的网页URL的相似性，得到第一计算结果；

S32、计算所述被仿冒网页的网页内容与所述待检测网页的网页内容的相似性，得到第二计算结果；

S33、计算所述被仿冒网页的网页截图与所述待检测网页的网页截图的相似性，得到第三计算结果。

3.根据权利要求2所述的一种仿冒网站监测识别方法，其特征在于，步骤S4具体通过线性组合方式对所述第一计算结果、所述第二计算结果和所述第三计算结果进行集成汇总，得到集成汇总结果。

4.根据权利要求2所述的一种仿冒网站监测识别方法，其特征在于，步骤S2中，分别对解析后的所述被仿冒网页和所述待检测网页进行特征提取，得到所述被仿冒网页和所述待检测网页的网页内容的过程具体包括：

分别对所述被仿冒网页的网页内容和所述待检测网页的网页内容进行JavaScript解析，得到所述被仿冒网页和所述待检测网页的网页源码；

分别将所述被仿冒网页的网页源码和所述待检测网页的网页源码输入文档解析器中，得到所述被仿冒网页的文档对象模型和所述待检测网页的文档对象模型；

根据预先配置的XPath规则分别提取所述被仿冒网页的文档对象模型和所述待检测网页的文档对象模型中的网页内容。

5.根据权利要求4所述的一种仿冒网站监测识别方法，其特征在于，步骤S32中，在计算所述被仿冒网页的网页内容与所述待检测网页的网页内容的相似性之前，还包括：

分别对所述被仿冒网页的网页内容和所述待检测网页的网页内容进行特征提取，得到所述被仿冒网页的网页内容的特征词和所述待检测网页的网页内容的特征词；

其中，计算所述被仿冒网页的网页内容与所述待检测网页的网页内容的相似性，包括：

根据所述特征词，计算所述被仿冒网页的网页内容和所述待检测网页的网页内容的相似性。

6.根据权利要求5所述的一种仿冒网站监测识别方法，其特征在于，分别对所述被仿冒网页的网页内容和所述待检测网页的网页内容进行特征提取，具体包括：

分别对所述被仿冒网页的网页内容和所述待检测网页的网页内容进行分词；

通过开方检验算法分别对分词后的所述被仿冒网页的网页内容和所述待检测网页的网页内容进行特征词提取，得到所述被仿冒网页的网页内容的特征词和所述待检测网页的网页内容的特征词。

7.根据权利要求2所述的一种仿冒网站监测识别方法，其特征在于，步骤S31具体包括：

通过编辑距离方法计算所述被仿冒网页的网页URL与所述待检测网页的网页URL的不同距离比率；

计算所述被仿冒网页的网页URL与所述待检测网页的网页URL的相同距离比率；

对所述不同距离比率和所述相同距离比率进行加权计算，得到第一计算结果。

8.根据权利要求2所述的一种仿冒网站监测识别方法，其特征在于，步骤S33具体通过SIFT算法计算所述被仿冒网页的网页截图与所述待检测网页的网页截图的相似性，得到所述第三计算结果。